¿Qué es el Pronóstico?

En esta sección estaremos hablando del Pronóstico. A continuación, el siguiente video contiene información importante del tema:






Los pronósticos son una de las herramientas fundamentales para la toma de decisiones dentro de las organizaciones tanto productivas como sin fines de lucro. Algunas de las áreas en donde se utilizan pronósticos en la industria son la planeación y control de inventarios, producción, finanzas, ventas, comercialización, entre muchas otras.

Principalmente, los pronósticos tienen la finalidad de:
 
"Reducir la incertidumbre acerca de lo que puede acontecer en el futuro proporcionando información cercana a la realidad que permita tomar decisiones sobre los cursos de acción a tomar tanto en el presente como en el futuro."

El siguiente video, habla acerca de la importancia de realizar los pronósticos a nivel empresarial y los efectos de su aplicación:



 
 
Tipos de pronósticos

Los pronósticos se pueden clasificar en cuatro tipos básicos: cualitativos, análisis de series de tiempo o cuantitativos, relaciones causales y simulación.


Las técnicas cualitativas son de carácter subjetivo y se basan en estimaciones y opiniones.

El análisis de series de tiempo o cuantitativos se basa en la idea de que se pueden usar los datos relacionados con la demanda del pasado para realizar pronósticos.

Los pronósticos causales suponen que la demanda está relacionada con uno o más factores subyacentes del ambiente.

Los modelos de simulación permiten al pronosticador recorrer una gama de suposiciones sobre la condición del pronóstico.

Modelos comunes para pronósticos cuantitativos

Promedio Móvil Simple Se promedia un periodo que contiene varios puntos de datos, dividiendo la suma de los valores de los puntos entre el número de puntos. Así, cada punto tiene la misma influencia.

Promedio Móvil Ponderado Ciertos puntos se ponderan más o menos que otros, según se considere conveniente de acuerdo con la experiencia.

Suavización Exponencial Los puntos de datos más recientes tienen mayor peso; este peso se reduce exponencialmente cuanto más antiguos son los datos.

Análisis de Regresiones Ajusta una línea recta a datos pasados, por lo general relacionando el valor del dato con el tiempo. El método de ajuste más común es el de mínimos cuadrados, permite identificar la tendencia de la serie de tiempo analizada.

Análisis de series de tiempo

Los modelos de pronóstico de series de tiempo tratan de pronosticar el futuro con base a datos pasados.

Los promedios móviles y la suavización exponencial son los mejores y más fáciles de usar para pronósticos a corto plazo: requieren pocos datos y los resultados son de nivel medio. Los modelos a largo plazo son más complejos, requieren más datos de entrada y ofrecen mayor precisión. Desde ya, los términos corto, medio y largo son relativos, dependiendo del contexto en que se apliquen.

En los pronósticos empresariales, el corto plazo por lo general se refiere a menos de tres meses; el medio, de tres meses a dos años; y el largo, a más de dos años. En términos generales, los modelos a corto plazo se ajustan para cambios a corto plazo (como la respuesta de los consumidores ante un nuevo producto).

Los pronósticos a medio plazo son buenos para efectos estaciónales y los modelos a largo plazo detectan las tendencias generales y son de utilidad especial para identificar punto de cambios decisivos.

El modelo de pronósticos a escoger depende de lo siguiente:

1. Horizonte de tiempo para el pronóstico.
2. Disponibilidad de datos.
3. Precisión requerida.
4. Tamaño del presupuesto para pronósticos.
5. Disponibilidad de personal calificado.

También hay que tener en cuenta el grado de flexibilidad de la empresa (si es mayor la capacidad para reaccionar con rapidez ante los cambios, no tiene que ser tan preciso el pronóstico)

Promedio Simple

Es un promedio de los datos del pasado en el cual las demandas de todos los períodos anteriores tienen el mismo peso relativo.

Se calcula de la siguiente manera:
PS = Suma de demandas de todos los períodos anteriores, entre o dividido por
K  = Número de periodos de demanda

PS = D1 + D2 +.....+Dk
        K

Donde:

D1= demanda del período más reciente;
D2= demanda que ocurrió hace dos períodos;
Dk= demanda que ocurrió hace k períodos.

Promedio Móvil
Una media móvil simple combina los datos de demanda de la mayor parte de los periodos recientes, siendo su promedio el pronóstico para el siguiente periodo.

Una media móvil simple de n periodos se puede expresar mediante:

MMS = Suma de las demandas anteriores de los últimos n periodos entre o dividido por
N = Número de periodos empleados en la media móvil

MMS =  Dt = D1 + D2 +.....+ Dn
                  N
Donde:

t = 1 es el periodo más antiguo en el promedio de n periodos;
t = n es el periodo más reciente.

Suavización Exponencial

Las principales razones de popularidad de las técnicas de suavización son:

1. Los modelos exponenciales tienen una precisión sorprendente.
2. Es muy fácil formular un modelo exponencial.
3. El usuario puede comprender como funciona el modelo.
4. Se requiere muy pocos cálculos para usar el modelo.
5. Como se usan datos históricos limitados, son pocos los requisitos de almacenamiento en computadores.
6. Es fácil calcular pruebas para determinar la precisión del modelo en la práctica.

En el método solo se necesitan tres datos: el pronóstico más reciente, la demanda real que se presentó para ese periodo, y una constante de suavización alfa, a.

La ecuación para un pronóstico de suavización exponencial simple no es más que:

Pronóstico de la demanda =  Ft = F(t – 1) + α ( A(t-1) – F(t-1) )

Donde:
  • Ft = El pronóstico suavizado exponencialmente para el periodo t.
  • Ft-1 = El pronóstico suavizado exponencialmente para el periodo anterior.
  • At-1 = La demanda real para el periodo anterior.
  • a = La tasa de respuesta deseada, o constante de suavización.

Análisis de regresión lineal

Se define a la regresión como una relación funcional entre dos o más variables correlacionadas y se usa para pronosticar una variable con base en la otra.

En la regresión lineal la relación entre las variables forma una línea recta.

La línea de regresión lineal es de forma Y = a + bX, otras formas son Y = aX + b,   Y = mX + b
Donde Y es la variable dependiente que queremos resolver; a es la intersección de Y; b es la pendiente y X es la variable independiente (en el análisis de series de tiempo, X representa unidades de tiempo).

Los valores de a y b se obtienen de calcular:

a= n(XtDt) – (Xt) (Dt)
        n(∑X2t) – (∑Xt)2

b = ∑Dt – bXt
              n

La regresión lineal es útil para pronósticos a largo plazo de sucesos importantes.

La restricción principal para usar los pronósticos de regresión lineal es que, supuestamente, los datos pasados y las proyecciones caen sobre una línea recta.

 
AHORA LO INVITAMOS A CONTINUAR INDAGANDO SOBRE ESTE TEMA EN NUESTRAS DEMÁS SECCIONES: 
 
Técnicas  |  Métodos  |  Errores de Pronóstico  |  La Demanda

No hay comentarios:

Publicar un comentario en la entrada